热点事件持续更新
NVIDIA与AI4Bharat开源2.8万亿token印度语言预训练数据集
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年10月16日，Hugging Face Blog发布一手报道，AI4Bharat与NVIDIA联合开源名为Nemotron-pretraining-Indic-v1的印度语言预训练语料，规模约为2.8万亿token。该数据集覆盖印度宪法列出的22种印度语言，其中12种语言同时提供本地文字与拉丁化转写版本。报道指出，双方还开源了配套的GPU加速合成数据生成流程，该流程基于NeMo Data Designer与Gemma-4-31B-it模型构建。目前未见后续或与之矛盾的报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月16日 09:44
AI4Bharat与NVIDIA联合开源约2.8万亿token印度语言预训练语料及GPU加速生成流程。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- Hugging Face BlogAI4Bharat 与 NVIDIA 联合开源约 2.8 万亿 token 的印度语言预训练数据及 GPU 加速生成流程
AI4Bharat 与 NVIDIA 发布约 2.8 万亿 token 的 Nemotron-pretraining-Indic-v1 印度语言预训练语料，覆盖宪法列出的 22 种印度语言，其中 12 种语言同时提供本地文字与拉丁化转写，并开源配套的 GPU 加速合成数据生成流程（基于 NeMo Data Designer 与 Gemma-4-31B-it）。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。